Modèle de diffusion

L’entraînement procède à rebours de la destruction. On prend une grande collection d’images, on ajoute un peu de bruit à chacune, puis davantage, jusqu’à ne plus avoir que du brouillage. Un réseau de neurones apprend alors à regarder une image bruitée et à prédire le bruit qui a été ajouté, à chaque niveau de dégradation. Quand il y parvient de façon fiable, il peut fonctionner dans l’autre sens : partir d’un bruit pur et le nettoyer, étape après étape, jusqu’à une image qui n’existait pas.

Ton texte oriente ce nettoyage. Un encodeur de texte transforme la description en nombres, et à chaque étape le réseau est poussé vers des images qui correspondent à ces nombres. Un réglage appelé guidage décide de la rigueur avec laquelle il te suit. Beaucoup de modèles travaillent dans un espace comprimé plutôt que sur des pixels en pleine taille, ce qui rend chaque étape moins coûteuse. Des échantillonneurs aux noms comme Euler ou DPM échangent vitesse contre douceur. Le nombre d’étapes échange du temps contre du détail, et certains modèles sont distillés pour obtenir un bon résultat en très peu d’étapes, d’où l’existence de générateurs très rapides.

Deux conséquences pratiques en découlent. D’abord, le bruit de départ est fixé par une graine : même description, mêmes réglages et même graine redonnent la même image, et une nouvelle graine donne une variante. Ensuite, le modèle dessine ce qu’il a appris à juger plausible, pas ce qui est vrai : les lettres, les mains et les scènes chargées peuvent mal tourner, et la formulation compte. Résultats typiques : illustrations, maquettes de produits, dessins conceptuels, textures et storyboards. Un modèle de diffusion est un outil d’une autre nature qu’un modèle de langage, qui écrit du texte jeton par jeton, même si une application associe souvent les deux.

Z-Image Turbo est le modèle texte vers image que NeverNo place par défaut dans son Studio. C’est un modèle ouvert de Tongyi, inclus dans toutes les offres, la gratuite comprise, et une image courante d’un mégapixel prend environ 3 secondes, mesurées chez Runware, notre fournisseur d’images. L’attente étant si courte, demander plusieurs variantes et changer un mot devient une façon naturelle de travailler. Il est servi par le fournisseur d’images propre à NeverNo, sans modération d’un laboratoire extérieur entre toi et l’image, et les images créées restent chiffrées dans ton navigateur.

Dans le Studio, tu écris une description de 1 500 caractères au plus, choisis l’un des quinze styles prédéfinis et l’un des huit formats, et demandes jusqu’à quatre variantes par requête. La page du générateur d’images décrit la démarche : pas de refus arbitraires et pas de filigrane. Les limites fermes de NeverNo s’appliquent toujours et sont vérifiées avant que rien ne soit dessiné : rien qui implique des mineurs, et aucune image de personnes réelles identifiables sans leur accord.